prediksi beban listrik menggunakan algoritma jaringan
TRANSCRIPT
SEMESTA TEKNIKA Vol. 23, No.2, 143-155, November 2020 DOI : https://doi.org/10.18196/st.232264
143
Prediksi Beban Listrik Menggunakan Algoritma Jaringan Syaraf Tiruan Tipe
Propagasi-Balik
(Electricity Load Prediction Using Back-Propagation Neural Networks)
RAMADONI SYAHPUTRA, FEBRIAN DHIMAS SYAHFITRA, KARISMA TRINANDA PUTRA, INDAH SOESANTI
ABSTRAK
Artikel ini mengusulkan prediksi beban puncak menggunakan metode jaringan
syaraf tiruan tipe propagasi-balik. Prediksi beban puncak transformator tenaga
merupakan tugas penting dalam mengantisipasi pertumbuhan beban listrik di masa
mendatang. Prediksi yang tepat dan akurat akan memfasilitasi perencanaan kapasitas
pembangkit listrik yang memadai pada waktu yang tepat. Metode jaringan syaraf tiruan tipe propagasi-balik memiliki akurasi yang baik dalam tugas-tugas prediksi.
Pada penelitian ini dilakukan prediksi beban puncak pada dua buah transformator
tenaga dengan studi kasus di Gardu Induk Bumiayu, Brebes, Jawa Tengah,
Indonesia. Parameter pelatihan adalah data pertumbuhan penduduk, produk
domestik regional bruto (PDRB), dan data beban puncak selama sepuluh tahun
terakhir. Hasil penelitian menunjukkan bahwa kedua unit transformator tenaga
tersebut masih dapat melayani beban listrik di wilayah pelayanan Gardu Induk
Bumiayu selama sepuluh tahun ke depan.
Kata Kunci: Prediksi beban puncak, transformator tenaga, gardu induk, jaringan
syaraf tiruan, propagasi-balik
ABSTRACT
This article proposes a peak load prediction using the backpropagation neural
network method. Predicting the peak load of power transformers is an important
task in anticipating load growth in the future. Precise and accurate predictions will
facilitate the planning of sufficient power generation capacity at the right time. The
backpropagation type neural network method has good accuracy in the prediction
task. In this study, a case study was carried out by predicting the peak load of power
transformers at Bumiayu Substation, Brebes, Central Java, Indonesia. Training
parameters consists of population growth data, gross regional domestic product
(GRDP), and peak load data for the last ten years. The results showed that the two
power transformer units could still serve the electricity load in the Bumiayu substation service area for the next ten years.
Keywords: Peak load prediction, power transformer, substation, artificial neural
network, backpropagation
PENDAHULUAN
Energi listrik dewasa ini telah telah berperan
vital bagi umat manusia. Kemajuan suatu
negara dapat diukur dari penggunaan energi
listrik per kapitanya. Dilihat dari tingkat
urgensinya, energi listrik bahkan dapat
dikatakan energi primer pada era sekarang.
Banyak sektor kehidupan manusia yang
didukung oleh energi ini, mulai dari pekerjaan
rumah tangga, industri, komersial hingga
fasilitas umum. Indonesia sebagai negara
berkembang yang sedang giat-giatnya
membangun, termasuk negara dengan
pertumbuhan kebutuhan energi listrik yang
tergoling tinggi. Berdasarkan data Statistik
R. Syahputra, et.al./Semesta Teknika, Vol. 23, No.2, 143-155, November 2020
144
Ketenagalistrikan 2018, produksi energi listrik
nasional tahun 2018 adalah sebesar 267.085,38
GWh (Anonim, 2019). Produksi ini meningkat
4,88%, atau senilai 12.425,60 GWh
dibandingkan tahun 2017. Total kapasitas
terpasang pembangkit tenaga listrik nasional
hingga akhir tahun 2018 adalah 64.925 MW
yang terdiri dari pembangkit listrik milik PT
PLN (Persero) sebesar 40.815 MW (62,86%),
Independent Power Producer (IPP) sebesar
15.023 MW (23,14%), Private Power Utility
(PPU) sebesar 3.582 MW (5,52%), Pemerintah
sebesar 47 MW (0,07%) dan Ijin Operasi (IO)
non BBM sebesar 5.459 MW (8,41%).
Selanjutnya, total energi listrik terjual ke masyarakat pada tahun 2018 adalah 234.617,88
GWh, atau meningkat sebesar 5,15% jika
dibandingkan dengan tahun 2017. Dari total
sebesar energi tersebut, sektor rumah tangga masih mendominasi pemakaian energi listrik
yaitu 97.832,28 GWh (41,70%), kemudian
disusul sektor industri yaitu 76.946,50 GWh (32,80%), selanjutnya sektor bisnis sebesar
44.027,40 GWh (18,77%), dan sektor-sektor
lainnya yaitu sosial, gedung pemerintah dan penerangan jalan umum adalah sebesar
15.811,70 GWh (6,74%). Harga jual energi
listrik rata-rata adalah Rp 1.123,01 per kWh.
Harga jual tahun tahun 2018 ini lebih tinggi dibandung tahun 2017, yaitu sebesar Rp
1.105,11. Sementara itu, pertumbuhan
penduduk di Indonesia semakin meningkat setiap tahunnya. Berdasarkan data sensus
penduduk Badan Pusat Statistik (CSA) tahun
2010, jumlah penduduk Indonesia mencapai 237,6 juta jiwa, terdiri dari 61,4 juta rumah
tangga. Proyeksi pertumbuhan penduduk
Indonesia telah dibuat oleh CSA untuk setiap 5
tahun hingga tahun 2035, sehingga setiap 5 tahun mengalami peningkatan rata-rata sebesar
5,094% atau sekitar 1,018% per tahun. Selain
rumah tangga, perekonomian juga memiliki andil yang signifikan dalam konsumsi energi
listrik di Indonesia, karena kondisi
perekonomian yang baik akan menyebabkan
pertumbuhan pengguna energi listrik yang tinggi. Berdasarkan asumsi Rencana Umum
Ketenagalistrikan Nasional (RUKN) tahun
2019-2038, bahwa pertumbuhan ekonomi Indonesia rata-rata adalah 6,0% per tahun,
dengan rata-rata inflasi sekitar 3,5% dan
pertumbuhan penduduk 0,8% per tahun. Rasio elektrifikasi nasional adalah 99,9% pada tahun
2019 dan tahun 2020 ini ditargetkan 100%
(Jonan, 2019). Peningkatan jumlah penduduk
dan perkembangan sisi ekonomi harus
berbanding lurus dengan ketersediaan listrik di
Indonesia. Ketersediaan energi listrik yang cukup dapat mempengaruhi kualitas hidup
masyarakat, karena dari sisi fungsional energi
listrik ini digunakan sebagai penunjang operasional suatu industri atau badan usaha,
fasilitas umum bahkan rumah tangga. Dapat
dipastikan jika energi listrik yang ada tidak mampu memenuhi kebutuhan, pertumbuhan
ekonomi akan terhambat, dan tingkat kepuasan
masyarakat dalam hal pelayanan energi listrik
akan berkurang.
Dalam penyaluran energi listrik terdapat gardu
induk yang berfungsi sebagai pengatur aliran
tenaga listrik untuk disalurkan ke pelanggan. Di dalam gardu induk terdapat komponen utama
yaitu transformator tenaga yang berfungsi untuk
mentransformasikan tenaga listrik dengan mengubah tegangan kerja sistem (Syahputra,
2017a). Kapasitas transformator tenaga gardu
induk perlu diperhatikan dan diperhatikan, hal
ini bertujuan agar daya transformator dapat mencapai kapabilitas dalam memenuhi
kebutuhan listrik konsumen. Semakin besar
beban yang ditanggung oleh transformator tenaga maka semakin lama beban yang
ditanggung akan melebihi kapasitas
transformator (Tamizharasi, 2014). Hal ini akan
menyebabkan transformator mengalami overload dan berdampak pada penurunan
kualitas pelayanan energi listrik kepada
pelanggan. Atas dasar terpenuhinya energi listrik yang sesuai dengan kebutuhan dan
memiliki kualitas pelayanan yang baik, maka
penyedia energi listrik harus mempunyai prediksi beban puncak transformator pada
tahun-tahun selanjutnya (Huang dkk, 2020).
Prediksi beban ini bermanfaat untuk mencapai
kapabilitas transformator dalam beberapa tahun ke depan dan juga penyedia energi listrik dapat
melakukan antisipasi dini kemungkinan
penggantian transformator baru. Oleh karena itu, perlu dilakukan prediksi beban puncak
transformator (Deng dkk, 2019).
Beberapa metode prediksi beban puncak telah dikembangkan oleh para peneliti, di antaranya
metode Resident Behaviour Learning (Kong
dkk, 2017), metode Gray Neural Network (Li
dkk, 2017), metode berbasis probabilistic (Wang dkk, 2018a), metode Ensemble
Forecasting (Wang dkk, 2018b), metode deep
residual neural network (Chen, 2018), metode hybrid (Park dkk, 2019), metode gabungan
R. Syahputra, et.al./Semesta Teknika, Vol. 23, No.2, 143-155, November 2020
145
deterministic dan probabilistic (Feng dkk,
2019), metode Copula Model and Deep Belief
Network (Ouyang dkk, 2019), metode Deep
Learning (Hong dkk, 2019), metode Deep-Based Conditional Probability Density
Function (Afrasiabi dkk, 2020), metode Hybrid
Ensemble Deep Learning (Cao dkk, 2020), metode wavelet (Alfieri dan Falco, 2020) dan
metode jaringan saraf tiruan (JST) (Kong dkk,
2019). Metode JST adalah sistem yang didasarkan pada cara kerja jaringan saraf
manusia. Metode JST memiliki banyak varian,
yaitu metode umpan-maju, RBF, recurrent, dan
propagasi-balik (backpropagation).
Berdasarkan penelusuran pustaka terkait
metode-metode yang digunakan dalam prediksi
beban listrik, maka metode jaringan syaraf tiruan (JST) tipe propagasi-balik
(backpropagation) memiliki beberapa
keunggulan dibandingkan dengan metode-metode lain. Metode ini dipilih karena
keunggulannya dalam akurasi yang tinggi
dalam tugas-tugas prediksi. Oleh karena itu
dalam penelitian ini digunakan metode JST tipe propagasi balik untuk prediksi beban puncak
transformator tenaga.
Tujuan penelitian ini adalah mengembangkan prosedur pembentukan jaringan syaraf tiruan
(JST) tipe propagasi-balik untuk prediksi beban
puncak transformator tenaga pada gardu induk,
dengan studi kasus pada Gardu Induk Bumiayu, kabupaten Brebes, Jawa Tengah. Tujuan
lainnya adalah merancang, membangun, dan
menganalisis model beban puncak transformator tenaga berbasis sistem prediksi
GUI Matlab menggunakan metode JST tipe
propagasi-balik. Hasil penelitian ini diharapkan dapat dijadikan sebagai acuan bagi penyedia
energi listrik di Indonesia dalam merencanakan
penambahan kapasitas transformator tenaga
guna mengantisipasi pertumbuhan beban listrik pada tahun-tahun mendatang.
METODE PENELITIAN
Algoritma Jaringan Syaraf Tiruan Tipe Propagasi-Balik
Algoritma jaringan syaraf tiruan (JST)
merupakan algoritma kecerdasan buatan yang
memiliki kemampuan untuk mempelajari dan
menghimpun pengetahuan hasil belajar dalam jaringan selnya (neuron) sehingga
memungkinkan jaringan secara keseluruhan
menjadi lebih cerdas dalam merespon masukan
yang diberikan (Siang, 2009). Kemampuan
untuk mempelajari dan mengakumulasi
pengetahuan ini memungkinkan sistem jaringan saraf tiruan untuk beradaptasi dengan
lingkungan yang memberikan masukan kepada
mereka. Layaknya otak manusia dalam merespon kondisi lingkungan yang berbeda,
peran JST dalam bidang penelitian dan
pengembangan sangat penting kedepannya yang menuntut aspek otomasi dan aspek interaktif
antara alat dan manusia. Sistem JST ditentukan
oleh tiga faktor dalam operasinya yaitu
arsitektur jaringan yang menentukan pola hubungan antar neuron, pembelajaran atau
pelatihan yang menentukan bobot penghubung,
dan fungsi aktivasi.
GAMBAR 1. Arsitektur algoritma jaringan syaraf tiruan
tipe propagasi-balik
Dalam JST, neuron dikumpulkan menjadi
lapisan yang disebut neuron. Setiap lapisan
akan terhubung satu sama lain, baik dengan
lapisan sebelumnya maupun dengan lapisan berikutnya. Informasi akan disebarkan dari satu
lapisan ke lapisan berikutnya. Salah satu tipe
JST adalah propagasi-balik (backpropagation). Algoritma propagasi-balik merupakan
algoritma pembelajaran yang diawasi dan
digunakan oleh banyak lapisan perceptron
R. Syahputra, et.al./Semesta Teknika, Vol. 23, No.2, 143-155, November 2020
146
untuk mengubah bobot yang terhubung ke
neuron pada lapisan tersembunyi. Algoritma
propagasi-balik menggunakan keluaran error
untuk mengubah nilai bobotnya ke belakang. Untuk mendapatkan error ini, maka terlebih
dahulu harus dilakukan tahap umpan maju.
Gambar 1 menunjukkan arsitektur algoritma JST tipe propagasi-balik.
Algoritma ini disebut sebagai propagasi balik
karena ketika sebuah JST diberi pola masukan sebagai pola pelatihan, pola tersebut masuk ke
unit di lapisan tersembunyi untuk diteruskan ke
unit lapisan keluaran. Jadi unit lapisan keluaran
memberikan respon yang disebut keluaran JST. Jika keluaran JST tidak sama dengan keluaran
yang diharapkan, keluaran tersebut akan
disebarkan ke belakang pada lapisan tersembunyi yang diteruskan ke unit di lapisan
masukan. Oleh karena itu mekanisme pelatihan
disebut propagasi mundur. Propagasi mundur memiliki beberapa unit yang berada dalam satu
atau lebih lapisan tersembunyi. Pada
backpropagation, fungsi aktivasi yang
digunakan harus memenuhi beberapa syarat, yaitu: kontinyu, mudah terdiferensiasi dan
merupakan fungsi yang tidak turun. Salah satu
fungsi yang memenuhi ketiga syarat tersebut sehingga sering digunakan adalah fungsi
sigmoid biner berjangkauan (0, 1) yang
digunakan dalam penelitian ini.
Prediksi Beban Puncak Transformator Tenaga pada Gardu Induk
Gardu Induk dapat diartikan sebagai instalasi
listrik yang terdiri dari beberapa peralatan listrik yang berfungsi untuk
mentransformasikan listrik tegangan tinggi
menjadi tegangan menengah, sebagai alat ukur, pengendalian operasi dan pelaksanaan fungsi
proteksi sistem, serta pengaturan daya ke gardu
induk lain melalui tegangan tinggi dan
transformator distribusi melalui pengumpan tegangan menengah. Dalam istilah lain gardu
induk adalah stasiun pengumpul energi listrik
dari suatu sistem pembangkit atau sistem transmisi yang terdiri dari transformator tenaga,
pemutus daya, sakelar pemisah, stasiun bus,
reaktor pembatas arus, transformator arus, transformator tegangan, kapasitor kopling,
kapasitor transformator tegangan, petir. arrester,
relay proteksi, baterai, dan perangkat
pendukung lainnya.
Salah satu peralatan terpenting di gardu induk
adalah transformator tenaga. Transformator
tenaga adalah alat yang digunakan untuk
mentransformasikan tenaga listrik dengan cara
menaikkan atau menurunkan tegangan listrik,
tetapi dengan frekuensi tetap pada sisi primer dan sekunder. Pada transformator tenaga ini
terdapat Neutral Current Transformer (NCT)
yang berfungsi sebagai pelindung gangguan bumi dengan mengukur arus yang mengalir
pada titik netral transformator tenaga.
Pembebanan transformator atau sering disebut faktor beban transformator diperoleh melalui
hasil pembagian antara perkiraan beban puncak
dan kapasitas transformator (Chen dkk, 2019).
Nilai kapasitas transformator dapat dilihat langsung pada datasheet transformator yang
digunakan. Idealnya faktor beban suatu
transformator berkisar antara 60% - 80% yang dikategorikan sebagai beban optimal (Haq dan
Ni, 2019). Jika transformator dibebani <60%
dari kapasitasnya, transformator dikatakan membawa beban yang ringan. Jika
transformator dibebani dengan kapasitas 80% -
100% maka transformator dikatakan membawa
beban yang berat. Selanjutnya jika transformator tenaga dibebani >100% dari
kapasitasnya, dikatakan transformator tersebut
kelebihan beban. Gambar 2 menunjukkan transformator tenaga 60 MVA di gardu induk
Bumiayu, Jawa Tengah, Indonesia.
GAMBAR 2. Transformator tenaga 60 MVA di gardu
induk Bumiayu, Jawa Tengah, Indonesia
Berdasarkan sifat datanya yang digunakan sebagai objek prediksi, maka prediksi secara
garis besar dibagi menjadi kualitatif dan
kuantitatif (Li dkk, 2019). Prediksi kualitatif berkaitan dengan data yang tidak numerik atau
lebih merupakan pernyataan atau pendapat.
Sedangkan prediksi kuantitatif berdasarkan pengukuran menggunakan data numerik.
Prediksi beban transformator dapat
dikategorikan sebagai prediksi kuantitatif.
R. Syahputra, et.al./Semesta Teknika, Vol. 23, No.2, 143-155, November 2020
147
Sedangkan prediksi kuantitatif ini dapat
diterapkan jika tiga kondisi berikut ini
terpenuhi:
1) Informasi tentang masa lalu tersedia
2) Informasi dapat dikuantifikasi dalam
bentuk data numerik
3) Dapat diasumsikan bahwa beberapa aspek dari pola masa lalu akan berlanjut
di masa depan.
Lebih mengacu pada prediksi kuantitatif, metode ini memiliki 2 model prediksi utama
yaitu model seri periodik dan model kausal.
1) Dalam model seri periodik, estimasi
masa depan dilakukan berdasarkan nilai variabel masa lalu dan / atau kesalahan
masa lalu. Ini bertujuan untuk dapat
menemukan pola dalam rangkaian data historis dan mengekstrapolasi pola
tersebut ke masa depan.
2) Dalam model kausal, faktor yang diprediksi menunjukkan hubungan
kausal dengan satu atau lebih variabel
independen. Tujuan dari model kausal
ini adalah untuk menemukan bentuk hubungan dan menggunakannya untuk
memprediksi nilai variabel dependen di
masa mendatang.
Kedua model di atas memiliki keunggulan
masing-masing tergantung kondisi tertentu.
Model seri periodik ini bagus untuk prediksi.
Sedangkan model kausal dapat digunakan dengan lebih sukses untuk pengambilan
keputusan dan kebijaksanaan.
Di bidang ketenagalistrikan, prediksi biasanya berupa prediksi beban yang meliputi prediksi
beban puncak (MW) dan prediksi kebutuhan
energi listrik (MWh). Prediksi berdasarkan rentang waktu tersebut dapat dikelompokkan
menjadi tiga kategori, yaitu jangka pendek,
jangka menengah, dan jangka panjang. Hasil
prediksi ini dapat digunakan sebagai bahan pertimbangan untuk membuat rencana
pemenuhan ketersediaan listrik dan
pengembangan penyediaan tenaga listrik yang sesuai dengan kebutuhan beberapa tahun ke
depan.
Secara umum metode prediksi beban listrik yang sering digunakan oleh penyedia tenaga
listrik dibedakan menjadi 5 yaitu:
1) Metode Analitik, dimana metode ini
disusun berdasarkan analisis data
pemakaian akhir listrik oleh pelanggan.
2) Metode ekonometrika, dimana metode
ini disusun berdasarkan prinsip
ekonomi dan statistik.
3) Metode time series, dimana metode ini
disusun berdasarkan relasi data historis.
Dimana hal ini berdasarkan fakta bahwa kejadian atau data yang telah
terjadi akan terulang kembali dengan
pola yang sama.
4) Metode Gabungan, dimana metode ini terdiri dari beberapa metode (biasanya
kombinasi analitik dan ekonometri).
Metode ini mempertimbangkan lebih banyak variabel yang dapat
mempengaruhi hasil prediksi seperti
aktivitas ekonomi, kemajuan teknologi, kebijakan pemerintah, aktivitas sosial
dan demografi.
5) Metode regresi, dimana metode ini memberikan asumsi bahwa faktor-
faktor yang diprediksi menunjukkan
adanya hubungan kausal dengan satu atau lebih variabel independen.
Tujuannya adalah untuk menemukan
bentuk hubungan dan menggunakannya
untuk memprediksi nilai variabel dependen di masa depan.
Dalam penelitian ini metode prediksi beban
yang digunakan adalah metode berbasis
kecerdasan buatan yaitu Jaringan syaraf tiruan
tipe perambatan balik.
HASIL DAN PEMBAHASAN
Dalam penelitian ini obyek utama yang dipilih
sebagai lokasi penelitian adalah Gardu Induk
Bumiayu yang terletak di Jalan Raya
Paguyangan Bumiayu, Kabupaten Brebes,
Provinsi Jawa Tengah, Indonesia. Gardu Induk
Bumiayu merupakan salah satu gardu induk
milik PT. PLN UPJ Bumiayu. Gardu Induk
Bumiayu telah terinterkoneksi dengan beberapa
Gardu Induk lain seperti Gardu Induk Kebasen,
Gardu Balapulang, dan Gardu Kalibakal. Hal
ini dimaksudkan agar setiap gardu induk saling
membackup daya listrik jika terjadi gangguan
R. Syahputra, et.al./Semesta Teknika, Vol. 23, No.2, 143-155, November 2020
148
pada salah satu penyulang pada gardu induk
yang bersangkutan.
Gardu Induk Bumiayu memiliki dua buah
transformator yaitu Transformator 1 60 MVA
kapasitas 150/20 KV dan 30 MVA 150/20 KV
Transformator II. Sebelumnya Transformer 1
hanya berkapasitas 16 MVA hingga pada tahun
2016 diubah menjadi transformator dengan kapasitas 60 MVA. Transformasi transformator
yang berlangsung memakan waktu 3 bulan dan
selama itu beban sementara mendapat suplai
dari transformator tenaga bergerak. Selain Gardu Induk Bumiayu, data dalam penelitian
ini juga diperoleh dari Badan Pusat Statistik
Kabupaten Brebes. Badan tersebut adalah badan yang bertanggung jawab atas data
kependudukan di Kabupaten Brebes, Provinsi
Jawa Tengah, Indonesia. Data yang diperoleh dari instansi tersebut adalah data pertumbuhan
penduduk dan Produk Domestik Regional Bruto
(PDRB) setiap tahun, dari tahun 2011 sampai
tahun 2017. Data beban puncak transformator
tenaga di Gardu Induk Bumiayu ditunjukkan
pada Tabel 1.
Pembentukan model prediksi ini membutuhkan
beberapa variabel yang dapat mempengaruhi nilai prediksi beban puncak transformator
dalam beberapa tahun ke depan. Oleh karena
itu, dibutuhkan data demografi di Kabupaten Brebes, Provinsi Jawa Tengah. Data demografi
ini terdiri dari data pertumbuhan penduduk dan
Produk Domestik Regional Bruto (PDRB) Kabupaten Brebes. Data tersebut diperoleh dari
Badan Pusat Statistik Kabupaten Brebes. Data
penduduk Kabupaten Brebes ditunjukkan pada
Tabel 2.
Berdasarkan data kependudukan sebagaimana
tercantum pada Tabel 2, dapat diasumsikan
bahwa peningkatan jumlah penduduk dan PDRB Kabupaten Brebes dapat dilakukan.
Asumsi peningkatan jumlah penduduk dan
PDRB Kabupaten Brebes dapat dilihat pada Tabel 3.
TABEL 1. Beban puncak gardu induk Bumiayu
No. Tahun Beban Puncak (MW)
Transformator Tenaga I Transformator Tenaga II
1 2010 7,5 20,6
2 2011 9,7 22,6
3 2012 11,3 31,4
4 2013 10,1 17,9
5 2014 11,1 19,4
6 2015 13,3 23,5
7 2016 28,9 22,1
8 2017 27,1 22,4
8 2018 29,2 24,1
10 2019 30,7 31,1
TABEL 2. Data Penduduk Kabupaten Brebes
No. Tahun
PDRB
(dalam Trilliun Rupiah)
Jumlah Penduduk
(dalam Juta Jiwa)
1 2010 18,98 1,73
2 2011 20,16 1,74
3 2012 22,90 1,74
4 2013 24,67 1,75
5 2014 27,44 1,76
6 2015 30,90 1,77
7 2016 34,45 1,78
8 2017 37,34 1,79
9 2018 38,62 1,79
10 2019 39,07 1,80
R. Syahputra, et.al./Semesta Teknika, Vol. 23, No.2, 143-155, November 2020
149
TABEL 3. Asumsi peningkatan jumlah penduduk dan PDRB Kabupaten Brebes
No. Tahun
PDRB
(dalam Trilliun Rupiah)
Jumlah Penduduk
(dalam Juta Jiwa)
1 2017 41,39 1,79
2 2018 45,88 1,80
3 2019 50,85 1,81
4 2020 56,36 1,81
5 2021 62,47 1,82
6 2022 69,24 1,82
7 2023 76,75 1,83
8 2024 85,07 1,83
9 2025 94,29 1,84
10 2026 104,51 1,84
11 2027 115,84 1,85
Karena penelitian ini lebih difokuskan pada
pelanggan yang dilayani oleh Gardu Induk
Bumiayu maka hasil prediksi dari data PDRB dan data kependudukan akan difokuskan pada
pelanggan yang disuplai listrik oleh dua buah
transformator di Gardu Induk Bumiayu.
Persentase jumlah penduduk yang terlayani Gardu Induk Bumiayu adalah sekitar 26,75%
dari jumlah penduduk Kabupaten Brebes.
Dengan demikian, diasumsikan besarnya PDRB di wilayah yang dilayani Gardu Induk Bumiayu
sebesar 26,75% dari total PDRB Kabupaten
Brebes. Selanjutnya data PDRB dan data
kependudukan dibagi menjadi 2 yaitu wilayah pelayanan transformator 1 dan transformator 2.
Setelah dilakukan perhitungan dengan cermat,
maka diperoleh hasil bahwa sebanyak 59,9% dari total penduduk yang dalam pelayanan daya
listrik oleh Gardu Induk Bumiayu disuplai oleh
transformator tenaga 2, sedangkan 40,1%
sisanya dari penduduk wilayah pelayanan
Gardu Induk Bumiayu disuplai oleh transformator tenaga .
Selanjutnya pengolahan data dilakukan sesuai
dengan prosedur pembentukan jaringan syaraf
tiruan jenis backpropagation. Seperti yang telah disebutkan sebelumnya, data terdiri dari 7 jenis
yang mengacu pada beban puncak
transformator tertinggi setiap tahun dari tahun 2010 hingga 2019. Namun pola masukan yang
dibuat mencapai 7 pola. Hal ini dikarenakan
input X5 diambil dari angka beban puncak
tahun sebelumnya. Selain input X5, input juga terdiri dari X1, X2, X3, X4 dengan target T.
Pengolahan data transformator tenaga 1
ditunjukkan pada Tabel 4 sedangkan pengolahan data transformator tenaga 2
ditunjukkan pada Tabel 5.
TABEL 4. Pengolahan data transformator tenaga 1
Nomor Tahun
Data Masukan
Target X1 X2 X3 X4 X5
1 2010 2,07 2,24 1,79 1,87 8,18 10,98
2 2011 2,19 2,39 1,81 1,87 8,82 11,32
3 2012 2,46 2,65 1,87 1,88 11,31 10,13
4 2013 2,65 2,94 1,88 1,89 10,13 11,12
5 2014 2,94 3,32 1,89 1,90 11,12 13,34
6 2015 3,32 3,70 1,90 1,91 13,34 28,91
7 2016 3,70 4,01 1,91 1,92 28,91 28,91
8 2017 3,71 4,02 1,92 1,93 27,15 27,15
9 2018 3,81 4,09 1,98 1,99 28,79 28,79 10 2019 3,98 4,23 1,99 2,01 29,21 29,21
R. Syahputra, et.al./Semesta Teknika, Vol. 23, No.2, 143-155, November 2020
150
TABEL 5. Pengolahan data transformator tenaga 2
Nomor Tahun
Data Masukan
Target X1 X2 X3 X4 X5
1 2010 2,83 3,12 2,13 2,32 21,25 29,43
2 2011 3,32 3,67 2,78 2,79 23,51 33,14
3 2012 3,67 3,95 2,79 2,81 33,14 17,92
4 2013 3,95 4,40 2,81 2,83 17,92 19,43
5 2014 4,40 4,95 2,83 2,85 19,43 23,51
6 2015 4,95 5,52 2,85 2,86 23,51 22,13
7 2016 5,52 5,92 2,86 2,88 22,13 24,16 8 2017 5,92 6,41 2,88 2,91 24,16 25,11
9 2018 6,14 6,94 2,98 2,99 25,53 25,77
10 2019 6,87 7,32 3,25 3,27 26,09 26,89
Untuk membentuk model jaringan pada
algoritma JST maka data yang terdapat pada
Tabel 4 dan Tabel 5 digunakan sebagai data masukan untuk jaringan syaraf tiruan. Jaringan
yang dibentuk pada penelitian ini merupakan
jaringan multilayer yang terdiri dari 1 lapisan
masukan, 2 lapisan tersembunyi, dan 1 lapisan keluaran. Model jaringan yang baik untuk
transformer1 dan transformer2 adalah jaringan
yang memiliki tingkat akurasi jaringan yang tinggi. Tingkat akurasi ini diperoleh dengan
melakukan berbagai variasi jumlah hidden
layer dan jumlah neuron pada setiap hidden layer. Kemudian ditemukan model jaringan
yang baik untuk penelitian ini adalah model
jaringan yang terdiri dari 30 neuron pada
hidden layer pertama dan 10 neuron pada hidden layer kedua, seperti yang dapat dilihat
pada Gambar 3.
Pelatihan jaringan pada penelitian ini
memperhitungkan parameter learning rate (α).
Nilai default dari tingkat pemahaman ini adalah 0,01. Semakin besar nilai α maka akan
semakin cepat proses pelatihannya. Tetapi jika
α terlalu besar, algoritme menjadi tidak stabil
dan mencapai titik minimum lokal. Selain tingkat pemahaman, parameter lain yang
digunakan adalah momentum. Momentum
yang dimaksud adalah momentum yang digunakan untuk melakukan perubahan bobot
berdasarkan arah gradien pola terakhir dan
pola sebelumnya. Nilai momentum yang digunakan dalam penelitian ini adalah 0,8.
Setelah parameter latih ditetapkan, maka data
latih yang telah dinormalisasi akan dilakukan
oleh perintah pelatihan.
GAMBAR 3. Jaringan multilayer yang terdiri dari 1 lapisan masukan, 2 lapisan tersembunyi, dan 1 lapisan keluaran
R. Syahputra, et.al./Semesta Teknika, Vol. 23, No.2, 143-155, November 2020
151
Pelatihan perambatan-balik dilakukan dengan
mendistribusikan kesalahan dalam satuan
berupa kesalahan untuk menghitung bobot dan
koreksi bias. Pelatihan, atau perubahan bobot dan bias dilakukan secara terus menerus agar
mendapatkan nilai kinerja tujuan yang lebih
kecil dari parameter fungsi kinerja tujuan. Jika fungsi kinerja tujuan tidak terpenuhi, maka
pelatihan akan berhenti pada iterasi maksimum
yang dimasukkan, atau ketika gradien minimum terpenuhi. Atau jika ketiga kondisi
sebelumnya tidak terpenuhi, maka pelatihan
akan berhenti saat mencapai pemeriksaan
validasi.
Berdasarkan proses pelatihan jaringan untuk
transformator tenaga 1, diperoleh bahwa
perubahan bobot jaringan dan bias untuk transformator tenaga 1 dihentikan pada 113
iterasi. Hal ini dikarenakan proses pelatihan
telah mencapai fungsi kinerja tujuan yaitu menghasilkan nilai kinerja tujuan sebesar 9,23
x 10-10, dimana nilai tersebut lebih kecil dari
parameter kinerja tujuan yang ditetapkan yaitu
10-9. Grafik regresi pelatihan jaringan untuk transformator tenaga 1 ditunjukkan pada
Gambar 4.
Berdasarkan grafik pada Gambar 4 terlihat bahwa pelatihan pada jaringan transformator
tenaga 1 memiliki koefisien korelasi (R)
bernilai 1. Hal ini menunjukkan bahwa
pelatihan yang telah dilakukan menghasilkan
parameter yang sangat baik. Koefisien korelasi ini diperoleh berdasarkan mekanisme plot
regresi linier. Setelah proses pelatihan,
selanjutnya dilakukan pencocokan kurva untuk membandingkan kesesuaian antara keluaran
jaringan dengan target pelatihan. Dari hasil
pencocokan kurva ini didapatkan variabel “an” yang merupakan hasil normalisasi. De-
normalisasi adalah proses mengembalikan data
yang dinormalisasi ke data asli.
Selanjutnya dilakukan perbandingan antara nilai target dengan output pelatihan jaringan
yang disajikan dalam bentuk larik (H). Selain
itu, nilai MSE juga ditampilkan yang diperoleh dari rata-rata kuadrat selisih antara target dan
output jaringan dalam proses pelatihan. Hasil
perbandingan menunjukkan bahwa nilai target dengan keluaran pelatihan jaringan memiliki
nilai yang hampir sama, bahkan selisih nilai
antara kedua pola masukan tersebut hampir 0.
Nilai pelatihan MSE yang dihasilkan pada jaringan untuk transformator tenaga 1 adalah
5.7446e-08. Hasil perbandingan tersebut
disajikan dalam bentuk grafik seperti pada Gambar 5.
GAMBAR 4. Grafik regresi pelatihan jaringan untuk
transformator tenaga 1
GAMBAR 5. Perbandingan antara keluaran pelatihan dan target transformator tenaga 1
Pola
Beb
an P
un
cak
(M
W)
R. Syahputra, et.al./Semesta Teknika, Vol. 23, No.2, 143-155, November 2020
152
Selanjutnya, berdasarkan proses pelatihan
jaringan untuk transformator tenaga 2, diperoleh bahwa perubahan bobot jaringan dan
bias transformator tenaga 1 dihentikan pada 67
iterasi. Hal ini dikarenakan proses pelatihan
telah mencapai fungsi kinerja tujuan yaitu menghasilkan nilai kinerja tujuan sebesar
9.43e-10, dimana nilai tersebut lebih kecil dari
parameter kinerja tujuan yang telah ditetapkan yaitu 1e-09. Grafik regresi pelatihan jaringan
untuk transformator tenaga 1 ditunjukkan pada
Gambar 6.
Berdasarkan grafik pada Gambar 6 terlihat
bahwa pelatihan pada jaringan transformator
tenaga 2 memiliki koefisien korelasi (R) yang
bernilai 1. Hal ini menunjukkan bahwa pelatihan yang telah dilakukan menghasilkan
parameter yang sangat baik. Koefisien korelasi
ini diperoleh berdasarkan mekanisme plot regresi linier. Setelah proses pelatihan,
selanjutnya dilakukan pencocokan kurva untuk
membandingkan kesesuaian antara keluaran
jaringan dengan target pelatihan. Dari hasil pencocokan kurva ini didapatkan variabel “an”
yang merupakan hasil normalisasi. De-
normalisasi adalah proses mengembalikan data
yang dinormalisasi ke data asli.
Selanjutnya dilakukan perbandingan antara
nilai target dengan output pelatihan jaringan
yang disajikan dalam bentuk larik (H). Selain itu, nilai MSE juga ditampilkan yang diperoleh
dari rata-rata kuadrat selisih antara target dan
output jaringan dalam proses pelatihan. Hasil perbandingan menunjukkan bahwa nilai target
dengan keluaran pelatihan jaringan memiliki
nilai yang hampir sama, bahkan perbedaan
nilai antara kedua pola masukan tersebut hampir 0. Nilai pelatihan MSE yang dihasilkan
pada jaringan untuk transformator tenaga 2
adalah 3,3414 x 10-08. Hasil perbandingan tersebut disajikan dalam bentuk grafik seperti
pada Gambar 7.
GAMBAR 6. Grafik regresi pelatihan jaringan untuk transformator tenaga 2
GAMBAR 7. Perbandingan antara keluaran pelatihan dan target transformator tenaga 2
GAMBAR 8. Hasil prediksi beban puncak transformator tenaga 1
Pola
Beb
an P
un
cak
(M
W)
R. Syahputra, et.al./Semesta Teknika, Vol. 23, No.2, 143-155, November 2020
153
Hasil prediksi beban puncak transformator
tenaga 1 ditunjukkan pada Tabel 6 dan grafik
pada Gambar 8. Dapat dilihat pada Tabel 6 dan
Gambar 8 yang menunjukkan bahwa prediksi beban puncak transformator tenaga 1
mengalami tren kenaikan setiap tahunnya.. Hal
ini berbanding lurus dengan peningkatan nilai PDRB dan jumlah tenaga kerja yang terlayani
oleh transformator 1. Pada tahun 2027, beban
puncak transformator 1 diprediksi sebesar
33,39 MW. Angka tersebut mencapai 55,65%
dari kapasitas transformator tenaga 1, dan dapat dikategorikan sebagai standar ringan
untuk beban transformator tenaga.
TABEL 6. Hasil prediksi beban puncak transformator tenaga 1
Nomor Tahun
Data Keluaran Beban Puncak
(MW) X1 X2 X3 X4 X5
1 2018 4,01 4,44 1,93 1,92 27,11 28,27
2 2019 4,44 4,92 1,93 1,93 28,27 29,14
3 2020 4,92 5,45 1,93 1,93 29,14 31,21
4 2021 5,45 6,05 1,93 1,93 31,21 31,27
5 2022 6,05 6,70 1,93 1,93 31,27 31,92
6 2023 6,70 7,43 1,94 1,94 31,92 32,09
7 2024 7,43 8,23 1,94 1,94 32,09 32,26 8 2025 8,23 9,13 1,94 1,95 32,26 33,52
9 2026 9,13 10,11 1,95 1,95 33,52 33,43
10 2027 10,12 11,21 1,95 1,95 33,43 33,39
TABEL 7. Hasil prediksi beban puncak transformator tenaga 2
Nomor Tahun
Data Keluaran Beban Puncak
(MW) X1 X2 X3 X4 X5
1 2018 5,98 6,32 2,86 2,88 22,42 21,44
2 2019 6,63 7,35 2,87 2,87 21,44 20,93
3 2020 7,35 8,15 2,87 2,87 20,93 20,92
4 2021 8,15 9,03 2,87 2,89 20,92 21,44
5 2022 9,03 10,01 2,88 2,89 21,44 22,06
6 2023 10,01 11,11 2,88 2,90 22,06 22,41
7 2024 11,11 12,30 2,89 2,90 22,41 22,52
8 2025 12,30 13,63 2,89 2,90 22,62 22,75
9 2026 13,63 15,11 2,89 2,91 22,75 22,95 10 2027 15,11 16,75 2,90 2,92 22,95 23,19
GAMBAR 9. Hasil prediksi beban puncak transformator tenaga 2
R. Syahputra, et.al./Semesta Teknika, Vol. 23, No.2, 143-155, November 2020
154
Hasil prediksi beban puncak transformator
tenaga 2 ditunjukkan pada Tabel 7 dan grafik
pada Gambar 9. Dapat dilihat pada Tabel 7 dan
Gambar 9 yang menunjukkan bahwa prediksi beban puncak transformator tenaga 2
mengalami tren kenaikan setiap tahunnya. Hal
ini berbanding lurus dengan peningkatan nilai PDRB dan jumlah tenaga kerja yang terlayani
oleh transformator 2. Pada tahun 2027,
diprediksi beban puncak transformator 2 sebesar 23,17 MW. Angka tersebut mencapai
77,23% dari kapasitas transformator tenaga 2,
dan dapat dikategorikan sebagai standar yang
wajar untuk beban transformator tenaga.
KESIMPULAN
Dalam penelitian ini, beban puncak
transformator tenaga diprediksi menggunakan
metode neural network tipe propagasi-balik. Hasil prediksi yang telah dibuat untuk periode
2018-2027 menunjukkan adanya trend
kenaikan beban puncak setiap tahunnya. Pada tahun 2027, prediksi beban puncak
transformator sebesar 33,39 MW atau setara
dengan 55,65% dari kapasitas transformator 1,
dan dapat dikategorikan sebagai beban standar transformator ringan. Selain itu pada tahun
2027, beban puncak transformator tenaga 2
diperkirakan sebesar 23,17 MW atau setara dengan 77,23% dari kapasitas transformator
tenaga 2, dan dapat dikategorikan sebagai
beban standar transformator yang optimal.
UCAPAN TERIMAKASIH
Penulis menyampaikan terima kasih dan
penghargaan kepada Universitas
Muhammadiyah Yogyakarta atas
kontribusinya dalam penelitian ini.
DAFTAR PUSTAKA
Afrasiabi, M., Mohammadi, M., Rastegar, M.,
Stankovic, L., Afrasiabi, S. (2020).
Deep-Based Conditional Probability
Density Function Forecasting of Residential Loads. IEEE Transactions
on Smart Grid, Vol. 11, Issue 4, July
2020, pp. 3646 – 3657.
Alfieri, L., Falco, P.D. (2020). Wavelet-Based
Decompositions in Probabilistic Load
Forecasting. IEEE Transactions on
Smart Grid, Vol. 11, Issue 2, March 2020, pp. 1367 – 1376.
Anonim. (2019). Statistik PLN 2018.
Sekretaris Perusahaan PT PLN (Persero), Jakarta.
Cao, Z., Wan, C., Zhang, Z., Li, F., Song, Y.
(2020). Hybrid Ensemble Deep Learning for Deterministic and
Probabilistic Low-Voltage Load
Forecasting. IEEE Transactions on
Power Systems, Vol. 35, Issue 3, May 2020, pp. 1881 – 1897.
Chen, K., Chen, K., Wang, Q., He, Z., Hu, J.,
He, J. (2018). Short-Term Load Forecasting With Deep Residual
Networks. IEEE Transactions on Smart
Grid, Vol. 10, Issue 4, July 2019, pp. 3943 – 3952.
Chen, Q., Xia, M., Lu, T., Jiang, X., Liu, W.,
Sun, Q. (2019). Short-Term Load
Forecasting Based on Deep Learning for End-User Transformer Subject to
Volatile Electric Heating Loads. IEEE
Access, Vol. 7, 2019, pp. 162697 - 162707.
Deng, Z., Wang, B., Xu, Y., Xu, T., Liu, C.,
Zhu, Z. (2019). Multi-Scale
Convolutional Neural Network With Time-Cognition for Multi-Step Short-
Term Load Forecasting. IEEE Access,
Vol. 7, 2019, pp. 88058 – 88071.
Feng, C., Sun, M., Zhang, J. (2019).
Reinforced Deterministic and
Probabilistic Load Forecasting via Q -Learning Dynamic Model Selection.
IEEE Transactions on Smart Grid, Vol.
11, Issue 2, March 2020, pp. 1377 –
1386.
Haq, M.R., Ni, Z. (2019). A New Hybrid
Model for Short-Term Electricity Load
Forecasting. IEEE Access, Vol. 7, 2019, pp. 125413 - 125423.
Hong, Y., Zhou, Y., Li, Q., Xu, W., Zheng, X.
(2020). A Deep Learning Method for Short-Term Residential Load
Forecasting in Smart Grid. IEEE
Access, Vol. 8, 2020, pp. 55785 -
55797.
R. Syahputra, et.al./Semesta Teknika, Vol. 23, No.2, 143-155, November 2020
155
Huang, N., Wang, W., Wang, S., Wang, J.,
Cai, G., Zhang, L. (2020). Incorporating
Load Fluctuation in Feature Importance
Profile Clustering for Day-Ahead Aggregated Residential Load
Forecasting. IEEE Access, Vol. 8, 2020,
pp. 25198 – 25209.
Jonan, I. (2019). Rencana Umum
Ketenagalistrikan Nasional 2019-2038,
Kementerian Energi dan Sumber Daya Mineral, Jakarta.
Kong, W., Dong, Z.Y., Hill, D.J., Luo, F., Xu,
Y. (2017). Short-Term Residential Load
Forecasting Based on Resident Behaviour Learning. IEEE Transactions
on Power Systems, Vol. 33, Issue 1, Jan.
2018, pp. 1087 – 1088.
Kong, W., Dong, Z.Y., Jia, Y., Hill, D.J., Xu,
Y., Zhang, Y. (2019). Short-Term
Residential Load Forecasting Based on LSTM Recurrent Neural Network. IEEE
Transactions on Smart Grid, Vol. 10,
Issue 1, Jan. 2019, pp. 841 – 851.
Li, B., Zhang, J., He, Y., Wang, Y. (2017). Short-Term Load-Forecasting Method
Based on Wavelet Decomposition With
Second-Order Gray Neural Network Model Combined With ADF Test. IEEE
Access, Vol. 5, 2017, pp. 16324 -
16331.
Li, T., Wang, Y., Zhang, N. (2019). Combining Probability Density
Forecasts for Power Electrical Loads.
IEEE Transactions on Smart Grid, Vol. 11, Issue 2, March 2020, pp. 1679 –
1690.
Ouyang, T., He, Y., Li, H., Sun, Z., Baek, S. (2019). Modeling and Forecasting
Short-Term Power Load With Copula
Model and Deep Belief Network. IEEE
Transactions on Emerging Topics in Computational Intelligence, Vol. 3,
Issue 2, April 2019, pp. 127 – 136.
Park, K., Yoon, S., Hwang, E. (2019). Hybrid Load Forecasting for Mixed-Use
Complex Based on the Characteristic
Load Decomposition by Pilot Signals. IEEE Access, Vol. 7, 2019, pp. 12297 -
12306.
Siang, J.J. (2009). Jaringan Syaraf Tiruan dan
Pemrogramannya Menggunakan MATLAB. Penerbit ANDI, Yogyakarta.
Syahputra, R., Soesanti, I. (2017a). Modeling
of Wind Power Plant with Doubly-Fed
Induction Generator. Jurnal Teknologi,
Journal of Electrical Technology UMY (JET-UMY), 1(3), pp. 126-134.
Syahputra, R. (2017b). Distribution Network
Optimization Based on Genetic Algorithm. Jurnal Teknologi, Journal of
Electrical Technology UMY (JET-
UMY), 1(1), pp. 1-9.
Tamizharasi, G. (2014). Energy Forecasting
using Artificial Neural Networks.
IJAREEIE, Vol. 3, Issue 3. March 2014,
pp. 7568-7576.
Wang, Y., Chen, Q., Zhang, N., Wang, Y.
(2018a). Conditional Residual Modeling
for Probabilistic Load Forecasting. IEEE Transactions on Power Systems, Vol.
33, Issue 6, Nov. 2018, pp. 7327 – 7330.
Wang, Y., Chen, Q., Sun, M., Kang, C., Xia, Q. (2018b). An Ensemble Forecasting
Method for the Aggregated Load With
Subprofiles. IEEE Transactions on
Smart Grid, Vol. 9, Issue 4, July 2018, pp. 3906 – 3908.s
PENULIS :
Ramadoni Syahputra
Program Studi Teknik Elektro, Fakultas Teknik, Universitas Muhammadiyah
Yogyakarta, Yogyakarta.
Email: [email protected]
Febrian Dhimas Syahfitra
Program Studi Teknik Elektro, Fakultas Teknik, Universitas Muhammadiyah
Yogyakarta, Yogyakarta.
Karisma Trinanda Putra
Program Studi Teknik Elektro, Fakultas
Teknik, Universitas Muhammadiyah
Yogyakarta, Yogyakarta.
Indah Soesanti
Departemen Teknik Elektro dan Teknologi
Informasi, Fakultas Teknik, Universitas Gadjah Mada, Yogyakarta.
Email: [email protected]